1.一种自适应改进鱼群算法的优化方法,其特征在于,所述方法包括:假设在被检测区域I内,随机抛撒N个同构传感器节点S={S1(x1,y1),S2(x2,y2),..Sk(xk,yk),...,SN(xN,yN)},其中k=1,2,3,...,N;节点均采用半径为r的布尔感知模型;
为便于描述,同时将区域I离散化为l×l个像素点集合M={M(1,1),M(1,2),...,M(x,y),...,M(l,l)},其中x,y=1,2,3,...,N,且设定随机部署的节点均落在I内的某个像素点上;
步骤1:每个节点Sk分别执行觅食、聚群、排斥、跳跃以及碰壁5个行为,并记录行为寻优后的位置;
步骤2:计算当前轮寻优后的网络覆盖率Y;
步骤3:若当前轮寻优后所得网络覆盖率Y相对于当前轮寻优前获得提高,则节点集合S按照记录的位置点进行移动;否则根据是否达到局部寻优上限Cth,判断是否需要衰减视野visual及步长step;
其中,step表示鱼执行一次移动的步长,step满足step=step0×rand,rand表示(0,1)之间的一个随机数;step0表示鱼执行一次行为移动的距离基数;
步骤4:判断Y>Yth或visual
2.根据权利要求1所述的方法,其特征在于,所述跳跃行为定义如下:在节点Sk的visual内,任取一点像素点M(x,y);
若节点Sk满足:Densityk>Qth且pk≥Pth,则Sk执行跳跃行为,跳跃至像素点ArgMax(T(x,y));
其中,像素点M(x,y)满足 若|ArgMax(T(x,y))|>1,则Sk随机跳跃至ArgMax(T(x,y))中任一个像素点;ArgMax(T(x,y))表示T(x,y)取得最大值时对应的(x,y)坐标;
定义节点Sk感知范围r内像素点的覆盖率之和为该节点Sk的拥挤度Densityk:M(e,f)满足 其中 表示对r进行向下取整;
食物浓度T(x,y)的定义为:像素点M(x,y)和参数K,则该像素点M(x,y)的食物浓度T(x,y)与M(x,y)的K邻域内像素点的覆盖率相关:将K邻域均值法应用于T(x,y)计算中,实现了将M(x,y)周围K邻域内的像素点的覆盖情况,纳入T(x,y)的计算范畴;通过为每一层邻域设定不同的权重系数 表征M(x,y)邻域内各层之间的影响差异。
3.根据权利要求2所述的方法,其特征在于,所述碰壁行为定义如下:若节点Sk和区域I边界之间的垂直距离d满足 则节点Sk向着边界相反方向移动,且移动距离为rand×(r-d);
更新visual和step:给定Cth轮的寻优后,若Y出现收敛性增量不足,即Y经过多轮寻优后没有满足增量指标,则利用衰减因子θ更新visual和,缩小视野和步长;更新公式如下:visual=visual×θ (3)
step=step×θ (4)
其中,衰减因子θ=0.8。
4.根据权利要求1所述的方法,其特征在于,所述网络覆盖率Y定义为:其中,当像素点M(x,y)与任一Sk之间的距离小于r时,则认为M(x,y)能被S覆盖,即网络S在点M(x,y)覆盖率为:其中,当像素点M(x,y)与传感器节点Sk之间的距离小于r时,则认为Sk在M(x,y)的感知率为
1,否则为0,即:
5.根据权利要求3所述的方法,其特征在于,所述觅食、聚群、排斥行为分别定义如下:觅食行为:在节点Sk的visual内,任取一点像素点M(x,y),若M(x,y)满足则认为点M(x,y)的食物浓度高于Sk所在位置的食物浓度,Sk向M(x,y)移动step;若给定选取约束下,未能找到点M(x,y),则当前鱼Sk启动随机游动;
其中,D(·)表示两个元素之间的欧式距离;
聚群行为:若节点Sk满足 时,Sk向当前最近的鱼方向移动step;
排斥行为:若节点Sk满足 时,Sk向当前最近鱼相反方向移动step;
其中,α和β为α取值为两个节点的感知范围边界相切时节点之间的距离。
6.根据权利要求1所述的方法,其特征在于,所述步骤1之前,还包括:将各个参数初始化。
7.根据权利要求1~6任一所述的方法,其特征在于,所述方法应用于无线传感器网络覆盖性能优化中。
8.根据权利要求7所述的方法,其特征在于,所述应用于无线传感器网络覆盖性能优化中具体为应用于湖泊蓝藻检测中。
9.根据权利要求7所述的方法,其特征在于,所述应用于无线传感器网络覆盖性能优化中具体为应用于养老院紧急搜寻中。